基于轻量级梯度提升机优化的工业互联网入侵检测方法

入侵检测作为一种积极主动的安全防护技术,对于确保工业互联网安全起着至关重要的作用。为了满足工业互联网高准确率和高实时性的入侵检测需求,提出基于轻量级梯度提升机优化的工业互联网入侵检测方法。针对工业互联网业务数据中难分类样本导致检测准确率低的问题,改进轻量级梯度提升机原有的损失函数为焦点损失函数,该损失函数可自适应动态调节不同类别数据样本的损失值和权重,支持模型在训练过程中降低易分类样本的权重,进而提高难分类样本的检测准确率;针对轻量级梯度提升机参数较多并且对模型的检测准确率、检测时间和拟合程度等影响较大的问题,利用果蝇优化算法选择模型的最优参数组合;在密西西比州立大学提供的天然气管道数据集上得到模型的最优参数组合并进行验证,并在储水罐数据集上进一步验证所提模型的有效性。实验结果表明,采用所提方法改进的模型在天然气管道数据集上的检测准确率较对比模型最少提高了3.14%,检测时间较对比模型中的随机森林和支持向量机分别降低了0.35 s和19.53 s,较决策树和极端梯度提升机分别增加了0.06 s和0.02 s,同时在储水罐数据集上取得了良好的检测结果。因此证明所提方法可以很好地识别工业互联网业务数据中的攻击数据样本,提升了在工业互联网入侵检测中的实用性。

基于轻量级梯度提升机和生成对抗网络的含风电电力系统频率稳定评估

针对目前电力系统频率稳定评估研究未考虑新能源和系统拓扑变化的问题,提出一种考虑风速特征的基于轻量级梯度提升机(light gradient boosting machine,lightGBM)和生成对抗网络(generative adversarial network,GAN)的含风电电力系统频率稳定评估方法。首先分析风电对频率稳定的影响,其次采用lightGBM对频率变化率,暂态频率极值和准稳态频率3个指标建立预测模型,引入注意力机制对输入特征排序降维,通过预测指标综合判断系统频率稳定性。系统拓扑发生改变时,采用GAN产生大量相似样本对模型进行更新。在含风电新英格兰10机39节点系统和含风电IEEE118节点系统上的仿真结果表明,所提方法比传统机器学习方法精度更高,速度更快,泛化性能更好。且考虑风速特征后不同算法的模型精度均大大提高。

一种轻量级梯度提升机的交通模式识别

为研究居民出行轨迹的不同交通方式,基于已知出行交通方式的GPS轨迹信息,构建基于轻量级梯度提升机(LightGBM)的分类模型,对居民出行GPS轨迹进行交通方式分类.首先提取轨迹的各种基础特征,并进一步结合公交网络地理信息引入Fréchet距离进行特征提取,之后对特征进行归一化处理并基于决策树模型对特征进行筛选,最后对筛选后的特征进行模型训练与预测,并通过五折交叉验证方式获取了稳定的预测结果.结果表明:公交网络地理特征能够对模型预测精度进行有效提高,提出的GPS轨迹交通方式识别方法可达90%左右的精确度,优于各种机器学习分类模型.

一种基于轻量级梯度提升机的意图识别方法

运动意图识别作为帮助穿戴者主动控制下肢外骨骼的关键技术,近年来受到广泛重视.下肢表面肌电信号是目前最常用的识别信号源,但是表面肌电信号具有不稳定性,同时传统机器学习算法也难以快速处理大规模高维度数据.本文基于轻量级梯度提升机,提出了结合表面肌电信号和关节角度信号的下肢多源意图识别算法.实验通过巴特沃斯滤波器对采集到的表面肌电以及关节角度信号进行预处理,然后提取时域频域特征,使用训练后的模型对五种常见的下肢动作进行识别,识别准确率达到98.4%,相比于其它算法,有较高的准确率,运行速度也有较大的提升,证明了该方法的优越性.

基于轻量级梯度提升机的非对称风险注塑成形产品尺寸预测模型

受温度、气压等环境不稳定因素的影响,注塑成形加工过程中工艺参数发生变化,从而导致产品精度下降,产品降级或报废。针对类似环境不稳定因素影响问题,利用加工过程中的数据进行注塑成形尺寸预测,有助于不合格产品的及时发现,减少不合格品的产生。基于轻量级梯度提升机(LightGBM)框架设计了基于加工过程数据及参数的注塑成形产品尺寸预测模型,通过特征提取、异常数据处理、数据集划分、模型训练、模型验证等步骤,建立了具有非对称风险特征的产品尺寸预测模型。针对产品尺寸超规的非对称风险问题,在模型训练过程中引入了基于尺寸范围的加权修正方法,以提高预测模型对超规尺寸的预测精度。最后利用富士康注塑成形尺寸预测数据集进行了验证,结果表明,该模型对超规尺寸具有更高的预测精度,尺寸预测结果平均误差为0.015 mm,考虑非对称风险的加权平均误差为5×10^(-6) mm。

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O_(3)浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O_(3)浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O_(3)浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O_(3)浓度(R^(2)=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O_(3)浓度预测方面具有显著的优势.

基于广域信息分析的智能配电网故障自愈技术研究

针对传统电网接地故障检测和自愈方法存在识别速度慢且精确度较低的问题,文中结合信号广域信息提出了一种配电网故障自愈方法。该方法构建了单相接地故障模型,并将零序电流作为分析的对象。将零序电流信号分解为时域、频域以及小波域分量来作为广域特征向量,并采用随机森林算法对其权重进行分类,利用LightGBM算法对分类后的广域特征向量加以训练,进而得到故障预测结果。在仿真测试中,所提算法能够抵抗过渡电阻与初始相位角变化对预测结果的影响,且其故障分析准确率的平均值为98.9%,在对比算法中为最优,表明该算法可为配电网故障自愈提供有效的技术支撑。

基于改进GWO-LightGBM的磨煤机故障预警方法研究

为提高燃煤电厂磨煤机运维效率、降低运维成本,对磨煤机故障预警进行了研究。创新性地提出一种基于改进灰狼优化(GWO)算法的轻量级梯度提升机(LightGBM)故障预警方法。通过建立LightGBM轴承温度预测模型获取磨煤机轴承温度阈值,并引入改进GWO算法优化模型超参数,以提高算法效率和性能。试验结果表明,改进GWO-LightGBM算法相比支持向量机(SVM)等传统算法具有更高的精度和更优的泛化能力。通过实际故障案例证明,该方法能够提前2 h对磨煤机进行早期故障预警。该方法对燃煤电厂磨煤机安全运维具有指导意义。

计及工况预测误差的主动配电网日前无功优化调度策略

为解决工况预测误差较大时,日前无功优化调度方案优化效果不佳的问题,提出了计及工况预测误差的主动配电网日前无功优化调度策略。首先,使用轻量级梯度提升机算法建立日前工况功率预测模型;其次,考虑大规模高比例分布式电源接入主动配电网,以调度时段内所有时间断面的多目标加权累加和为目标函数建立日前无功优化调度模型;最后,设计了一种变寻优粒子空间的改进引力搜索算法对日前无功优化调度模型进行求解,该算法根据历史工况预测误差评价指标调整寻优粒子空间各维度的上下限矩阵,从而抑制了当无功区域内工况预测误差较大时可控设备调度异常的缺陷。最后采用拓展的IEEE 33节点系统算例进行有效性验证。

基于混合多机器学习算法的燃料电池性能退化预测框架

质子交换膜燃料电池(Proton exchange membrane fuel cell,PEMFC)是当下极具发展潜力的绿色发电装置,对其性能退化状态进行精准预测有助于促进电池健康管理,优化电池成本效益。为提高预测模型拟合度与精确度,提出用鹈鹕算法(Pelican optimization algorithm,POA)优化最小二乘支持向量机(Least squares support vector machine,LSSVM)的PEMFC性能退化预测模型。采用小波阈值去噪(Wavelet threshold denoising,WTD)与轻量级梯度提升机(Light gradient boosting machine,LGBM)进行数据预处理,以摒弃噪声与小关联度输入变量对预测的干扰。通过提供不同工况下电池运行数据和设立对比实验。结果表明,本模型的精度与稳定性优于其他模型,且占用资源较少,均方根误差保持在0.1%内,平均绝对百分比误差小于0.05%,性能优秀。

电力系统两阶段紧急切负荷控制智能预决策

电力系统仿真分析是安全稳定控制领域重要技术,可以用于制定与校验紧急控制措施。传统的人工分析仿真数据以决策紧急控制措施的工作模式严重依赖专家经验,在应用于复杂大电网时显得耗时耗力。该文提出一种两阶段紧急切负荷控制智能预决策方法,第一阶段决策切负荷点,第二阶段决策切负荷量。首先基于仿真数据,区分3种电压失稳模式:纯电压失稳、耦合电压失稳和混合电压失稳,分别采用不同的负荷筛选方法;然后基于轻量级梯度提升机算法,根据仿真数据直接预估系统恢复稳定所需的切负荷总量,按负荷排序进行分配。结合暂稳仿真校验控制措施的有效性,调整决策量。以我国东北电网为例进行仿真研究,验证了在大电网紧急控制措施制定时,所提两阶段智能决策方法相比完全迭代试凑方法在有效性、快速性和准确性方面的优势。

基于运行状态与功率特性引导的覆冰天气下风电机组功率预测

针对覆冰天气下风电机组功率预测精度不足的问题,提出一种基于运行状态与功率特性引导的覆冰天气下风电机组功率预测方法。针对覆冰天气下风电机组样本不平衡的问题,采用贝叶斯优化的改进轻量级梯度提升机模型对覆冰天气下的风电机组数据样本进行状态判别并建立运行状态特征标签;针对覆冰天气下非停机运行小样本的问题,构建基于功率特性引导的风电机组功率预测模型,降低功率预测模型对数据的依赖,提升在覆冰天气运行场景下的预测准确性。采用广西某风电场风电机组数据进行算例验证,结果表明,相较于典型预测方法,所提方法在覆冰天气下的预测性能显著提升。

基于LightGBM模型的甘肃省临夏县滑坡易发性评价

甘肃省临夏县地质环境复杂,滑坡灾害发育,对当地居民生产生活造成严重威胁,亦对工程建设的开展造成一定阻碍,因此,选取高效准确的机器学习方法对临夏县进行滑坡易发性评价具有重大意义。首先依据遥感影像和野外勘察资料,选取了1718处滑坡样本,遴选了滑坡灾变的16种影响因子并建立滑坡影响因子评价体系;再结合预测精度和运行时间等指标对比了轻量级梯度提升机(LightGBM)模型与主流机器学习模型的性能;最后利用混淆矩阵分级方法进行了基于LightGBM模型的临夏县滑坡易发性评价。结果表明:临夏县重要滑坡影响因子为地表植被和地形地貌因子,其中土地覆盖为最主要影响因子;LightGBM模型预测精度高达0.931,且运行速度仅为11.7 s,既能保证高精度又极大提升了运行效率;在抽稀后的数据集上,LightGBM模型的预测表现、校准程度和分级结果均优于随机森林(RF)模型;混淆矩阵分级法的较高和高易发区内滑坡分布更为集中,在14.94%的区域内分布着86.86%的滑坡灾害点。滑坡易发性评价结果较好地反映了研究区内滑坡分布发育情况,可为当地工程建设及防灾减灾工作提供一定指导。

一种基于TCN-LGBM的航空发动机气路故障诊断方法

长时间工作在高温高压、强振动等恶劣气路环境下的航空发动机经常面临部件疲劳、腐蚀和性能退化的问题,且其故障诊断时序逻辑性不强、故障参数耦合较深等特点十分明显,为此提出一种基于时间卷积神经网络(Temporal Convolutional Network,TCN)和轻量级梯度提升机(Light Gradient Boosting Machine,LGBM)的航空发动机气路故障诊断方法。故障诊断分为故障特征提取和分类诊断两个过程:引入TCN框架,在保证故障数据训练时序逻辑的基础上,实现对远层历史信息和当前层信息的特征融合构建,融合通道注意力机制增强了高质量特征的权重;基于LGBM模型实现对特征的快速分类,利用贝叶斯方法实现对模型超参数的快速优化。以基于PROOSIS软件建模的某军用小涵道比涡扇发动机故障仿真数据为例,对6种故障模式进行诊断识别。仿真结果表明了所提方法的有效性;通过与其他模型对比体现了该方法的优越性。

基于DGA与TPE-LightGBM的变压器故障诊断

油中溶解气体分析(dissolved gas analysis,DGA)对变压器故障的早期预警及诊断具有重要意义。为了提升变压器故障诊断的准确性及可靠性,提出一种基于树结构概率密度估计(tree-structured parzen estimator,TPE)算法优化轻量级梯度提升机(light gradient boosting machine,LightGBM)的变压器故障诊断方法。首先,建立包含油中气体比值、编码等16维DGA特征集合,采用最小绝对收缩和选择(least absolute shrinkage and selection opera-tor,LASSO)算法选择用于变压器故障诊断的有效特征量;其次,构建基于LightGBM的变压器故障诊断方法,并引入TPE算法对LightGBM诊断模型参数进行优化,形成最优故障诊断模型;最后,选用精确度、召回率和F1分数等评价指标对所提诊断模型性能进行评估。研究结果表明,TPE-LightGBM的平均准确率为90.23%,其诊断精度及鲁棒性均优于RF和XGBoost等算法。同时,与现场常用的三比值法进行对比,所提方法的准确性和可靠性均有显著提升。该方法可有效提升电力变压器的智能运维水平。

基于注意力机制和LSTM-LightGBM的特高压直流输电线路可听噪声无效数据清洗方法

特高压直流输电线路可听噪声试验过程中,外界环境的突发性干扰会使实验数据中掺杂较多的无效数据,严重影响后续的数据分析。提出了一种基于注意力机制(attention mechanism,AM)和长短时记忆网络-轻量级梯度提升机(long short-term memory network-light gradient boosting machine,LSTM-LightGBM)的输电线路可听噪声无效数据清洗方法。首先,针对可听噪声数据的非线性、高维时序冗余特征等特点,以LSTM神经网络为基础进行特征提取;同时,引入特征维度注意力机制,自适应地分配权重来刻画关键特征信息的表达能力;进而,利用LightGBM对提取到的特征进行分类,检测出无效数据;然后,以某特高压直流输电线路实测可听噪声数据试验分析,结果表明该方法的检测精准率为95.55%,召回率为97.73%,F1分数为0.9663,均优于对比实验模型;最后,将无效数据删除并使用均值插补法填补,无效数据清洗后数据的50%值和95%值基本不变,仅降低无效数据的最大值和5%值。该算法对提高输电线路可听噪声数据的可靠性具有一定参考意义。

VMD-Stacking集成学习的多特征变量短期负荷预测模型

针对当前短期电力负荷预测结果准确度不够高的问题,提出一种由变分模态分解(variational modal decomposition, VMD)和Stacking集成学习框架组合的多特征变量短期负荷预测模型。在预测前使用VMD算法将负荷数据分解,然后加入对模型重要性较高的特征变量,再建立由轻量级梯度提升机(light gradient boosting machine, LightGBM)与极限梯度提升机(extreme gradient boosting, XGBoost)融合的Stacking集成学习预测模型,并比较不同天气情况下对预测模型准确度的影响。经实际算例对比验证表明:多特征的VMD-Stacking集成学习预测模型的误差较小。采用VMD算法分解历史负荷序列,分解后子模态分量的周期性体现了出来,让模型预测波动性较大的负荷时更容易;温度、天气、农历和节假日情况等影响负荷变化的关键因素有被考虑到,模型的准确度得以提高;Stacking集成学习模型对各算法取长补短,泛化能力增强,预测的准确度高于单一模型。

基于Bayesian-LightGBM模型的粮食产量预测研究

目前用于粮食产量预测模型如灰色关联模型普遍存在训练速度较慢、预测精度较低等问题。为解决该问题,以轻量级梯度提升机(LightGBM)模型为基础,将其损失函数修正为Huber损失函数,同时引入贝叶斯优化算法确定出最优超参数组合并输入该模型。以广西的早、晚水稻产量及16个粮食产量影响因素为数据集进行仿真试验,结果表明:基于线性回归的预测模型的平均绝对值误差为1.255,基于决策树的预测模型的平均绝对值误差为0.426,基于随机森林的预测模型的平均值误差为0.315,基于Bayesian-LightGBM的预测模型的平均绝对值误差为0.049。相比其他预测模型,Bayesian-LightGBM粮食产量预测模型能够更有效地实现粮食产量预测,预测精度更高。

融合生成对抗网络和难例挖掘的产品质量预测模型

针对连续性工业生产特点,重点关注类别不平衡造成的不合格样本召回率低问题。为了从高维数据提取有效特征,结合one class F-score和最小冗余最大相关性在特征提取方面的优势,有效降低特征维度并提取有价值特征;利用Wasserstein生成对抗网络(WGAN)方法扩增不合格样本数量;通过类别权重优化Focal Loss函数以提高困难样本识别率;通过轻量级梯度提升机算法结合阈值移动策略,构建基于WGAN数据增强和难例挖掘技术的质量预测模型(WGAN_Focal Loss_LGB(TM))。将所提模型应用于开源SECOM数据集,验证了所提方法的有效性。

基于LightGBM算法和出行链理论的电动汽车充电负荷多时间尺度预测模型

为提高电动汽车充电负荷预测的准确性,设计了一种基于轻量级梯度提升机(LightGBM)算法和出行链理论的电动汽车充电负荷多时间尺度预测模型。利用出行链描述用户出行过程,采用蒙特卡洛法抽取时空数据,计算不同区域出行和停留时间的概率密度函数,采用牛顿法划分多时间尺度充电概率,明确驾驶时空分布与充电状况,并运用模糊数学定理与LightGBM分类充电负荷数据,构建了多季节多时段预测模型。采用LightGBM高效并行计算模式,明确充电负荷变化规律,实现了多时间尺度预测。试验结果表明:所建立的模型在不同季节和电动汽车数量条件下,预测误差低于100 kW,预测空报率低于3%,可准确展现充电负荷的变化规律。